بررسی سطح شدت اختلال وابسته به شبکیه چشم دیابتیک با استفاده از الگوریتم های دسته کننده با نظارت

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

بررسی سطح شدت اختلال وابسته به شبکیه چشم دیابتیک با استفاده از الگوریتم های دسته کننده با نظارت

عنوان لاتین

Investigation of the severity level of diabetic retinopathy using supervised classifier algorithms

RETINOPATHY دیابتی ، عارضه است که در افراد دارای چندین سال mellitus دیابتی ها رخ می دهد و سبب گروهی از ضایعات توصیفی در شبکیه چشم می شود و به طور پیشرونده به آن آسیب می زند . بازیابی ، امراض ته چشمی شبکیه چشم بدین ترتیب ، به متخصصان چشم کمک می کند تا درمانهای صحیحی را که ممکن است بیماری را در بهبود دهد یا شدتش را بکاهد و بنابراین ، بیماران را از آسیب دیداری حمایت می کند ، را بکار ببرند . RETINOPATHY دیابتی معمولا توسط متخصصان چشم و با استفاده از تصاویر مبسوط داده شده ای تشخیص داده می شوند که با ریختن یک محلول شیمیایی در داخل چشم بیمار گرفته می شود که سبب ناراحتی و تهییج بیمار می شود . در این مقاله ، ما شیوه ای را برای بازیابی خودکار مواد مترشحه ضایعه ای به کمک یک تصویر مبسوط نشده ته چشمی از شبکیه چشم برای کمک کرده به متخصصان چشم جهت تشخیص بیماری ارائه کرده ایم مواد مترشحه حاصل از تصاویر تقابل پایین می توانند با استفاده از مورد مجاور براساس تکنیک تقطیع بازیابی و تعیین محل شوند . ماشین بردار حمایتی (SVM) و دسته کننده های شبکه عصبی احتمال گرا( PNN) برای ارزیابی شدت بیماری پیشنهاد می شوند و نتایج با همان تکنیک تقطیع مقایسه می شوند . میانگین درستی طبقه بندی مربوط به SVM و دسته کنندگان PNNمشخص شده به ترتیب 97.89 درصد و 94.76 درصد می باشد

Diabetic retinopathy is a condition that occurs in individuals with several years of diabetes mellitus and causes a characteristic group of lesions in the retina and progressively damages it. Detecting retinal fundus diseases in advance helps ophthalmologists to apply proper treatments that may cure the disease or decrease its severity and thus protect patients from vision loss. Diabetic retinopathy is usually diagnosed by ophthalmologists using dilated images that are captured by pouring a chemical solution into the patient’s eye, which causes inconvenience and irritation to the patient. In this paper, we propose a method to detect lesion exudates automatically with the aid of a non-dilated retinal fundus image to help ophthalmologists diagnose the disease. The exudates from the low contrast images are detected and localised using a neighbourhood based segmentation technique. A support vector machine (SVM) and probabilistic neural network (PNN) classifiers are proposed to assess the severity of the disease, and the results are compared with the same segmentation technique. The average classification accuracy for the SVM and PNN classifiers are determined to be 97.89% and 94.76%, respectively